这里有一个更好的（官方）NumPy for Matlab Users链接--恐怕mathesaurus已经过时了。
repmat(a, m, n)的numpy等价物是tile(a, (m, n))。
这适用于多个维度，并给出了与matlab类似的结果。（Numpy给出了一个3d输出数组，正如你所期望的- matlab出于某种原因给出了2d输出-但内容是相同的）。
Matlab软件：

>> repmat([1;1],[1,1,1])

ans =
     1
     1

Python：

In [46]: a = np.array([[1],[1]])
In [47]: np.tile(a, [1,1,1])
Out[47]: 
array([[[1],
        [1]]])

请注意，NumPy的broadcasting机制可以解决使用MATLAB repmat的一些问题，它允许使用形状相似的数组进行各种类型的数学运算。你可以将它乘以[1.0 0.25 0.25]来减少每个像素的绿色和蓝色的数量。

这就是我如何从一点摆弄中理解它的。很高兴被纠正，希望这有帮助。
假设你有一个2x 3元素的矩阵M，它是二维的。
当要求沿着矩阵已有的维度操作输入矩阵时，我看不出Matlab和Python之间有什么区别。

repmat(M,m,n) % matlab

np.tile(M,(m,n)) # python

对于秩为2（二维）的矩阵是等价的。
当你要求在比输入矩阵更多的维度上进行重复/平铺时，事情就变得与直觉相反了。回到秩为2、形状为2x 3的矩阵M，看看输出矩阵的大小/形状发生了什么就足够了。假设操作的序列现在是1，1，2。
在Matlab中

> size(repmat(M,1,1,2))
ans =

    2   3   2

它已经复制了输入矩阵的前两个维度（行和列），并将其重复一次到新的第三个维度中（即复制两次）。
Python语言

>>> np.tile(M,(1,1,2)).shape
(1, 2, 6)

它采用了不同的过程，因为我认为序列（1，1，2）的读取方式与Matlab不同。列、行和平面外维度方向上的副本数是从右向左读取的。生成的对象具有与Matlab不同的形状。我们不能再Assertrepmat和tile是等效的指令。
为了使tile的行为类似于repmat，在Python中，必须确保输入矩阵的维数与序列中元素的维数相同。

N = M[:,:,np.newaxis]

然后，在输入端，有N.shape = (2,3,1)而不是M.shape = (2,3)，在输出端

>>> np.tile(N,(1,1,2)).shape
(2, 3, 2)

这是size(repmat(M,1,1,2))的答案，我认为这是因为我们引导Python在（2，3）的右边而不是左边添加了第三个维度，所以Python按照Matlab的阅读方式计算出了序列（1，1，2）。
在N的Python答案中，[:,:,0]中的元素将包含与M的Matlab答案中(:,:,1)元素相同的值。
最后，我似乎找不到一个等价的repmat当一个使用克罗内克积

>>> np.kron(np.ones((1,1,2)),M).shape
(1, 2, 6)

除非我把M前置到N中，所以我认为最常用的方法是使用np.newaxis的方法。
当我们考虑秩为3的矩阵L（三维）和输出矩阵中没有添加新维度的简单情况时，游戏变得更加棘手。这两个看似等效的指令不会产生相同的结果

repmat(L,p,q,r) % matlab

np.tile(L,(p,q,r)) # python

因为行、列、平面外方向在Matlab中是（p，q，r），在Python中是（q，r，p），这在秩2数组中是不可见的。
我知道这个推理可能并不普遍，但我只能做到这一点，希望这能引起其他人对它进行更严格的检验。

请参阅NumPy for Matlab users。
Matlab软件：

repmat(a, 2, 3)

麻木：

numpy.kron(numpy.ones((2,3)), a)

Numpy中的Matlib（numpy.matlib.repmat()）：

numpy.matlib.repmat(a, 2, 3)

既知道tile又知道repeat。

x = numpy.arange(5)
print numpy.tile(x, 2)
print x.repeat(2)

matlib有一个repmat函数，其接口与matlab函数类似

from numpy.matlib import repmat
repmat( np.array([[1],[1]]) , 1, 1)

>>> import numpy as np

>>> np.repeat(['a','b'], [2,5])

array(['a', 'a', 'b', 'b', 'b', 'b', 'b'], dtype='<U1')

>>> np.repeat([1,2], [2,5])

array([1, 1, 2, 2, 2, 2, 2])

>>> np.repeat(np.array([1,2]), [3]).reshape(2,3)

array([[1, 1, 1],
       [2, 2, 2]])

>>> np.repeat(np.array([1,2]), [2,4]).reshape(3,2)

array([[1, 1],
       [2, 2],
       [2, 2]])

>>> np.repeat(np.matrix('1 2; 3 4'), [2]).reshape(4,2)

matrix([[1, 1],
        [2, 2],
        [3, 3],
        [4, 4]])